机器学习模型在急性缺血性卒中并发症及预后预测中的研究进展

覃伟，姜勇，刘宝花

随着计算机计算力的提高，大数据时代的到来和算法的更新，机器学习已在疾病预测领域取得了不错的进展。相较于传统统计模型，机器学习模型的灵敏度、特异度较高，更易满足目前精准医疗的需求。包括支持向量机、随机森林、极限梯度提升、深度神经网络等在内的机器学习模型已在卒中领域取得了较好的研究成果。急性缺血性卒中约占全部卒中的80%[1]，通过对急性缺血性卒中并发症和预后进行预测，以发现高危患者，并及时调整患者的治疗方案，预防各类可改变的危险因素，能够有效改善急性缺血性卒中患者的预后。有研究专门将机器学习应用于急性缺血性卒中患者的并发症或预后预测，本文总结了此类研究的最新研究成果，以期为相关研究和临床工作提供借鉴和参考。

1 机器学习在急性缺血性卒中并发症预测中的应用

卒中相关性肺炎（stroke-associated pneumonia，SAP）、卒中后抑郁（post-stroke depression，PSD）以及接受静脉溶栓后的出血转化等是急性缺血性卒中病程中常见的并发症，这些并发症往往会导致患者病情恶化，甚至死亡。近年来，已有研究将机器学习应用于急性缺血性卒中患者并发症的预测中，用来早期发现高危患者，从而进行适当的预防和治疗。1.1 卒中相关性肺炎 肺炎作为卒中死亡的主要原因之一，尤其是对于急性缺血性卒中的患者。SAP是一种常见的卒中后并发症，其发病率在11.3%～31.3%，往往会造成患者住院时间延长、致残率和死亡率增高[2]。

目前，已有研究将机器学习算法应用于急性缺血性卒中患者SAP的预测。GE等[3]使用了深度神经网络来预测卒中后肺炎，在预测卒中发作7 d内的肺炎时，ROC曲线下面积（area under the curve，AUC）为0.928，灵敏度为90%，特异度为85%；预测卒中发作14 d内的肺炎时，AUC为0.905，灵敏度为90%，特异度为82%。另一项将极限梯度提升算法应用于急性缺血性卒中SAP的预测研究中，AUC为0.841，灵敏度为81.0%，特异度73.3%[4]。以上研究均证实了机器学习可用于急性缺血性卒中患者SAP的预测，但这两项研究均是从一家医院选择的研究对象，未进行外部验证。

总体而言，目前使用机器学习对SAP的预测研究仍较少，且大多是回顾性研究，难以避免偏倚，另外SAP的潜在预测因子，如血液生物标志物等，未能纳入预测模型，今后的研究需要考虑使用前瞻性队列研究的方法，将预测变量不断完善，并在不同人群中加以验证。

1.2 卒中后抑郁 PSD是卒中患者一种常见的并发症。研究表明，卒中后1年患者持续出现抑郁症状的比例大约在2%～17%[5]。Vera等[6]证明卒中发病后6个月内若未能很好地改善PSD症状，则存在慢性PSD的高风险。PSD的病因较为复杂，主要有生物学因素、心理因素和社会因素等[7]，因此，对PSD的研究仍以探究某因素与PSD的相关性为主，建立模型来预测卒中患者PSD的研究较少。

De等[8]用逻辑回归对410例缺血性卒中和脑出血患者是否发生PSD进行了预测，预测变量包括抑郁症或其他精神疾病、高血压、心绞痛和生活自理能力，模型的AUC为0.78，该模型具有较好的预测性能，但未考虑到社会心理因素、认知功能等因素对PSD的影响作用。Liu等[4]使用决策树对我国562例缺血性卒中和脑出血患者PSD进行了预测，进一步将社会心理因素和认知功能考虑在内，模型的AUC为0.85。以上研究表明机器学习可用于对卒中患者PSD的预测，但两项研究均未将缺血性卒中或脑出血患者区分开来。

总体而言，目前使用机器学习预测急性缺血性卒中患者PSD的研究数量较少，同时现有研究使用相对简单的机器学习算法如逻辑回归和决策树等，今后可考虑使用更复杂的机器学习算法如极限梯度提升、深度神经网络等进行预测。

1.3 症状性颅内出血 静脉溶栓是目前治疗缺血性卒中有效的治疗方法，但静脉溶栓显著增加了发生出血性转化的风险，特别是症状性颅内出血（symptomatic intracerebral hemorrhage，sICH）是影响溶栓治疗效果和安全性的重要因素。目前，已有多项研究将机器学习应用至急性缺血性卒中溶栓后sICH的预测中。2012年，Dharmasaroja等[9]使用了多种人工神经网络对急性缺血性卒中患者静脉溶栓后是否出现sICH进行了预测，概率神经网络的AUC最高，为0.712，证实了机器学习可用于溶栓后sICH的预测。2014年Bentley等[10]使用支持向量机对116例急性缺血性卒中患者接受静脉溶栓后是否发生sICH进行了预测，结合患者的临床信息和脑CT图像，预测模型的AUC为0.744，优于SEDAN和HAT评分，这是首次强调基于成像的机器学习在预测卒中治疗后结局的研究。Cappellari等[11]使用逻辑回归对15 949例急性缺血性卒中患者静脉溶栓后是否出现sICH进行了预测，AUC为0.739。以上研究均证实了机器学习可用于急性缺血性卒中患者静脉溶栓后是否出现sICH的预测，但从AUC结果来看预测效果不足，提示需要使用更为复杂的算法或考虑将更多预测变量纳入模型中。

2 机器学习在急性缺血性卒中预后预测中的应用

目前已经有一些量表用来预测卒中患者的功能结局，并且都较好地通过了外部验证[12-15]，如洛桑急性卒中登记和分析评分（acute stroke registry and analysis of Lausanne，ASTRAL）[16]、血管事件总体健康风险评分（totaled health risks in vascular events，THRIVE）[12]，但此类评分大多纳入的是入院时的变量，旨在为治疗提供信息，不再收集治疗后的数据信息来进行预测。因此，为了更精确地评估患者预后结局，及时为预后不良的患者调整治疗方案，对各类可预防的危险因素进行干预，需要使用机器学习的方法对急性缺血性卒中患者预后情况进行预测。

2.1 针对急性缺血性卒中患者预后预测 2018年，Monteiro等[17]使用了随机森林、极限梯度提升、支持向量机、逻辑回归和决策树等五种机器学习模型对葡萄牙里斯本的541例急性缺血性卒中患者的3个月功能结局（mRS评分）进行了预测，并与ASTRAL、DRAGON、THRIVE评分的预测效果进行对比，预测变量包括患者入院时基线（人口统计学信息、既往病史、卒中发作至到达医院以及开始治疗时间间隔、NIHSS评分等）、入院后2 h（NIHSS评分）、24 h（CT/MRI检查结果）、7 d（NIHSS评分）以及出院（NIHSS评分、治疗方案、病因调查结果）五个不同时间点的变量，由于传统评分仅能纳入基线变量，因此在基线和不同时间点的变量组合下，机器学习模型预测效果均高于传统评分，将五个时间点的变量均考虑在内时，随机森林预测效果最佳，AUC为0.936。Park等[18]用贝叶斯网络对3605例急性缺血性卒中3个月功能结局进行了预测，AUC为0.889。Heo等[19]使用随机森林、逻辑回归和深度神经网络三种机器学习方法对2604例急性缺血性卒中患者的3个月功能结局（mRS评分）进行了预测，并与ASTRAL评分作对比，其中深度神经网络的AUC显著高于ASTRAL评分（0.888vs0.839，P＜0.001）。以上研究都证实了使用机器学习对急性缺血性卒中预后预测的可行性，与传统评分对比的结果也证实了机器学习算法的预测效果更为出色。

针对不同类型或接受不同治疗的急性缺血性卒中患者，使用机器学习模型进行预后预测也取得了较好的效果。Van等[20]使用随机森林、支持向量机、神经网络和集成学习对1383例接受血管内治疗的前循环大血管闭塞的急性缺血性卒中患者的预后进行了预测，各机器学习模型表现均较好（AUC范围0.88～0.91）。Nishi等[21]对387例接受机械取栓治疗的前循环大血管闭塞的急性缺血性卒中患者进行了预测，并在115例患者中进行了外部验证，外部验证队列上随机森林算法的AUC为0.87。

2.2 针对接受静脉溶栓的急性缺血性卒中患者预后预测 静脉溶栓可有效地治疗急性缺血性卒中[1，22]。目前我国静脉溶栓率仍然较低，其中患者及其家属担心溶栓并发症、对溶栓预后期望不高是导致患者未进行静脉溶栓治疗的主要原因之一[23]。研究表明，为避免可能引起的医患纠纷，部分医师可能会倾向于采用保守治疗而非静脉溶栓[24]。因此，合理评估静脉溶栓的风险及收益，对于改善医疗质量和患者预后结局尤为重要。为此，机器学习模型也被运用至静脉溶栓患者的预后预测中。

2014年，Bentley等[10]使用支持向量机对116例急性缺血性卒中患者静脉溶栓后是否出现sICH进行了预测，AUC为0.74，可有效评估患者静脉溶栓后出血风险。Cheng等[25]使用人工神经网络对82例急性缺血性卒中患者静脉溶栓后3个月功能恢复情况进行了预测，准确度为95.12%。Bacchi等[26]将深度学习模型应用于204例接受静脉溶栓患者的治疗结果预测中，考虑患者的临床信息及脑CT图像，预测患者溶栓24 h的NIHSS评分是否得到改善时，AUC为0.71，F1分数为0.74，预测患者3个月功能结局时，AUC为0.74，F1分数为0.69。以上研究表明机器学习模型能够对接受静脉溶栓治疗的急性缺血性卒中患者预后进行预测，有助于对静脉溶栓等再灌注治疗的获益及风险进行评价，但此类研究数量仍过少，样本量不足，且未将不同溶栓时间窗的患者分开讨论，在今后的研究中，还需进一步完善。

3 总结

传统的各类风险量表评分在急性缺血性卒中的预后、复发、死亡等结局预测中均取得了一定的效果，通过各类评分工具对卒中患者进行危险分层，可用以指导临床决策，但量表仅纳入入院情况、既往病史等简单的指标，往往预测精度不够。急性缺血性卒中的并发症或预后与多种因素有关，包括人口学特征、代谢情况、脑灌注情况、炎症反应、药物作用和社会心理因素等，这些变量可能共同影响着患者的健康结局，传统量表评分则无法充分解释其中的相互影响作用。随着医疗保健数据的可用性不断提高以及大数据分析方法的快速发展，机器学习应用至卒中领域，已取得不错的进展，但在对急性缺血性卒中患者的并发症和预后预测方面，特别是对PSD的预测，目前进行的研究较少，需要进一步加强相关研究，以期为改善急性缺血性卒中患者疾病结局提供帮助。